Neuronske mreže

Opis predmeta

Predmet omogućuje studentima stjecanje znanja iz teorije i primjena umjetnih neuronskih mreža i genetičkih algoritama. Biološke neuronske mreže. Umjetne neuronske mreže. Definicija. Modeli neurona. Aktivacijska funkcija. Topologije mreža. Perceptron. Zakoni učenja. Asocijativne mreže. Linearni asocijator. Rekurzivne asocijativne mreže. Hopfieldova mreža. Energetska funkcija. Višeslojne mreže. Radijalne mreže. Mreže s potpornim vektorima. Delta pravilo za povratnu propagaciju pogreške. Kohonenova samoorganizirajuća mreža. Algoritam s K srednjih vrijednosti. Boltzmannov stroj. Simulirano hlađenje. Genetički algoritmi. Programski paketi za simulaciju. Primjene u raspoznavanju uzoraka te analizi signala i slika.

Opće kompetencije

Student stječe temeljna znanja iz umjetnih neuronskih mreža i genetičkih algoritama, uz primjene u raspoznavanju uzoraka u analizi različitih tipova informacija kao što su signali i slike, te u različitim područjima primjena. Studenti razumiju osnovne elemente i vrste neuronskih mreža: modeli neurona, algoritmi učenja, asocijativne mreže, Rosenblattov perceptron, višeslojni perceptron, radijalne mreže, mreže s potpornim vektorima, rekurzivne mreže, samoorganizirajuće mreže i genetski algoritmi. Studenti će znati koristiti računalne programe za simulaciju i implementaciju neuronskih mreža.

Ishodi učenja

  1. definirati i opisati koncepte teorije umjetnih neuronskih mreža
  2. nabrojati primjere primjena neuronskih mreža
  3. objasniti metode umjetnih neuronskih mreža
  4. razlikovati praktični problem učenja i korištenja neuronskih mreža
  5. kombinirati stečena znanja u svrhu rješenja danog problema
  6. procijeniti kvalitetu rješenja dobivenog korištenjem neuronske mreže

Oblici nastave

Predavanja

Predavanja se izvode prema objavljenom planu i na temelju studentima dostupnih materijala.

Provjere znanja

Provjera znanja se odvija kroz međuispit i finalni ispit koji se buduju zajedno s ostalim aktivnostima studenata. Studenti koji nisu prošli ispit kroz kontinuiranu evaluaciju imaju mogućnost polaganja na ispitnom roku.

Laboratorijske vježbe

Laboratorijske vježbe se izvode prema objavljenom planu i na temelju uputa koje su dostupne studentima. Vježbe obuhvaćaju programsku implementaciju raznih neuronskih mreža.

Konzultacije

Konzultacije su usmene i na zahtjev studenta.

Ostali oblici skupnog ili samostalnog učenja

Studentski timski projekt.

Način ocjenjivanja

Kontinuirana nastava Ispitni rok
Vrsta provjere Prag Udio u ocjeni Prag Udio u ocjeni
Laboratorijske vježbe 50 % 20 % 50 % 0 %
Seminar/Projekt 50 % 20 % 50 % 0 %
Međuispit: Pismeni 50 % 30 % 0 %
Završni ispit: Pismeni 50 % 30 %
Ispit: Pismeni 50 % 50 %
Ispit: Usmeni 50 %

Tjedni plan nastave

  1. Uvodne napomene. Uvod u neuronske mreže - 1. dio.
  2. Uvod u neuronske mreže - 2. dio.
  3. Proces učenja. Asocijativna memorija.
  4. Rosenblatt perceptron. LMS algoritam.
  5. Višeslojni perceptron.
  6. Radijalne mreže.
  7. Stroj s potpornim vektorima.
  8. Međuispit
  9. Rekurzivne mreže. Hopfieldova mreža.
  10. Samoorganizirajuće mreže.
  11. Genetički algoritmi i evolucijske strategije.
  12. Neuroračunala.
  13. Praktične primjene neuronskih mreža
  14. Prezentacije timskih projekata studenata.
  15. Završni ispit.

Studijski programi

Sveučilišni diplomski
Elektroničko i računalno inženjerstvo (profil)
preporučeni izborni predmeti (3. semestar)
Obradba informacija (profil)
Predmeti specijalizacije profila (1. semestar) (3. semestar)
Programsko inženjerstvo i informacijski sustavi (profil)
preporučeni izborni predmeti (3. semestar)
Računalno inženjerstvo (profil)
preporučeni izborni predmeti (3. semestar)
Računarska znanost (profil)
preporučeni izborni predmeti (3. semestar)
Telekomunikacije i informatika (profil)
preporučeni izborni predmet (3. semestar)

Literatura

S. Lončarić (2011.), Predavanja iz neuronskih mreža, FER-ZESOI
S. Haykin (1998.), Neural Networks, 2nd Ed., Prentice Hall
J. A. Anderson (1995.), An Introduction to Neural Networks, MIT Press

Predavanja

Laboratorijske vježbe

Izvedba

ID 127251
  Zimski semestar
4 ECTS
R2 Engleski jezik
R1 E-učenje
30 Predavanja
0 Auditorne vježbe
15 Laboratorijske vježbe

Ocjenjivanje

89 izvrstan
79 vrlo dobar
70 dobar
61 dovoljan